第四讲回分析回归诊断.ppt

标准化残差： 学生化残差： 在残差分析中，一般认为超过3个标准差的残差成为异常值，考虑到普通残差ei的方差不等，用ei作判断和比较会带来一定的麻烦，人们引入标准化残差和学生化残差的概念，改变普通残差的性质。 改进的残差 标准化残差： 学生化残差： 标准化残差使残差具有可比性，标准化残差＞3的相应观测值即判定为异常值，这简化了判定工作。但是没有解决方差不等的问题。 学生化残差则进一步解决了方差不等的问题，因而在寻找异常值时，用学生化残差优于用普通残差，认为学生化残差＞3的相应观测值即为异常值 残差图(形态及判别) 残差图(例题分析) -4 -2 0 2 4 6 8 0 100 200 300 400 x 残差 T · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ X 残差 ＊ ＊表示男生 ·表示女生 * * * * * * * * * * * * * 将正确模型 Y=?0+?1X1+?2X2+? 的离差形式 代入 得 (1)如果漏掉的X2与X1相关，则式中的第二项在小样本下求期望与大样本下求概率极限都不会为零，从而使得OLS估计量在小样本下有偏，在大样本下非一致。 (2)如果X2与X1不相关，则?1的估计满足无偏性与一致性；但这时?0的估计却是有偏的。 由 Y=?0+ ?1X1+v 得 由 Y=?0+?1X1+?2X2+? 得 模型的估计会由于自相关而引起误差，估计量将不会是最佳线性无偏估计。假设检验将是无效的. 例如，如果“真实”的回归函数为 但却将模型设定为 显然，两者的参数具有完全不同的经济含义，且估计结果一般也是不相同的。 3.模型形式的误设 4.如果在设定的模型里用错误的解释变量代替正确的解释变量，则可看成出现 1和2两种情形误设的复合，即遗漏解释变量的同时加入不相干的变量。 分析四种模型误设的情形，后果最严重的是哪一种情况. 可用t 检验与F检验完成。 检验的基本思想:如果模型中误选了无关变量，则其系数的真值应为零。因此，只须对无关变量系数的显著性进行检验。 t检验：检验某1个变量是否应包括在模型中； F检验：检验若干个变量是否应同时包括在模型中 模型设定偏误的检验 1、检验是否含有无关变量 （1）残差图示法 2、检验是否有相关变量的遗漏或函数形式设定偏误 残差序列变化图 趋势变化 ：模型设定时可能遗漏了一随着时间的推移而持续上升的变量 循环变化：模型设定时可能遗漏了一随着时间的推移而呈现循环变化的变量 模型函数形式设定偏误时残差序列呈现正负交替变化 （2）一般性设定偏误检验 但更准确更常用的判定方法是拉姆齐(Ramsey)于1969年提出的所谓RESET 检验 基本思想： 如果事先知道遗漏了哪个变量，只需将此变量引入模型，估计并检验其参数是否显著不为零即可； 问题是不知道遗漏了哪个变量，需寻找一个替代变量Z，来进行上述检验。 RESET检验中，采用所设定模型中被解释变量Y的估计值?的若干次幂来充当该“替代”变量。 3、检验是否有相关变量的遗漏或函数形式设定偏误 例如，先估计 Y=?0+ ?1X1+v 得 然后再利用F检验来判断是否增加这些“替代”变量。 若仅增加一个“替代”变量，也可通过t检验来判断。 例如，在一元回归中，假设真实的函数形式是非线性的，用泰勒定理将其近似地表示为多项式： 因此，如果设定了线性模型，就意味着遗漏了相关变量X12、 X13 ，等等。 因此，在一元回归中，可通过检验各高次幂参数的显著性来判断是否将非线性模型误设成了线性模型。 （*) RESET检验也可用来检验函数形式设定偏误的问题。 对多元回归，非线性函数可能是关于若干个或全部解释变量的非线性，这时可按遗漏变量的程序进行检验。 例如，估计 Y=?0+?1X1+?2X2+? 但却怀疑真实的函数形式是非线性的。 这时，只需以估计出的?的若干次幂为“替代”变量，进行类似于如下模型的估计 再判断各“替代”变量的参数是否显著地不为零即可。 例:建立了中国商品进口M与GDP的一元线性关系: 并发现具有强烈的一阶自相关性。 序列相关性的主要原因之一可能就是建模时遗漏了重要的相关变量造成的。 下面进行RESET检验。 R2=0.9484 （-0.085） （8.274） （-6.457） （6.692）